国庆重新学习了一下go的gin高性能测试框架。

用JMeter来测试gin与flask接口的性能，差别很大。

为什么我自己不尝试写一个性能工具，性能工具的核心就是 并发 和 请求。

请求可以选择Python的requests库。

并发可以通过python的 进程、线程、协程模拟。

这么一想，也不是很难了，上手撸一个。

依赖库

requests==2.22.0gevent==20.9.0numpy==1.19.2

requests 大家并不陌生，HTTP请求库。

gevent是python协程库，通过协程模拟并发更节省资源，在同样配置下能模拟更多的并发。

numpy 是python的数据计算库，提供大量组数和矩阵运算，这里用它求列表的平均值。

实现脚本

好了，接下来开始上手写代码了。

from __future__ import print_functionimport timeimport geventfrom gevent import monkeymonkey.patch_all()import requestsfrom numpy import meanusers = 10 # 用户数numbers = 100 # 请求次数req_url = "http://127.0.0.1:8080/user/tom" # 请求URLprint("请求URL: {url}".format(url=req_url))print("用户数：{}，循环次数: {}".format(users, numbers))print("============== Running ===================")pass_number = 0fail_number = 0run_time_list = []def running(url): global fail_number global pass_number for _ in range(numbers): start_time = time.time() r = requests.get(url) if r.status_code == 200: pass_number = pass_number + 1 print(".", end="") else: fail_number = fail_number + 1 print("F", end="") end_time = time.time() run_time = round(end_time - start_time, 4) run_time_list.append(run_time)jobs = [gevent.spawn(running, req_url) for _url in range(users)]gevent.wait(jobs)print("\n============== Results ===================")print("最大: {} s".format(str(max(run_time_list))))print("最小: {} s".format(str(min(run_time_list))))print("平均: {} s".format(str(round(mean(run_time_list), 4))))print("请求成功", pass_number)print("请求失败", fail_number)print("============== end ===================")

设计思路

在JMeter中创建线程组有两个参数 线程数和 循环数，即 用户数 和请求数，设置多少个用户，每个用户用户跑多少次，用户数通过协程模拟，每次用户运行次数通过for循环实现。

至于请求就比较简单了，直接通过requests发送请求。通过判断影响的状态码是否为200来判断是否成功，通过分别计算成功和失败的请求个数。

关于请求时间统计，在每次请求前后获得当前时间戳，然后计算时间差就是单个接口的调用时间。最大，最小，平均通过计算就可轻松的得到。

> python3 ab.py请求URL: http://127.0.0.1:8080/user/tom用户数：10，循环次数: 100============== Running ===================........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................============== Results ===================最大: 0.0352 s最小: 0.0036 s平均: 0.0204 s请求成功 1000请求失败 0============== end ===================

后续

把ab.py脚本做成 ab 命令行工具。

支持更多的请求类型（get/post/put/delete）和参数。

更多统计维度，吞吐量、吞吐率

增加启动时间，思考时间等

...

以上就是python 写一个性能测试工具（一）的详细内容，更多关于python 性能测试工具的资料请关注其它相关文章！